Lære Negativt Utvalg-Algoritme | Kunstige Immunsystemer

Definisjon

Negativt seleksjonsalgoritme er inspirert av det biologiske immunsystemet som skiller mellom selv og ikke-selv. T-celler som reagerer på selv elimineres, slik at kun de som kan gjenkjenne fremmede inntrengere blir igjen. Algoritmen definerer selv (normaldata), genererer detektorer som ikke samsvarer med selv, og bruker disse til å oppdage avvik.

Prosessen involverer tre trinn:

Generere et representativt sett med selv-eksempler for å fange normal systematferd;
Lage et stort antall tilfeldige detektorer;
Eliminere detektorer som samsvarer med selv, slik at aktive detektorer gjenstår som flagger avvik når de samsvarer med nye data.


              12345678910111213141516171819202122232425262728293031323334
            
import random

def generate_random_detector(length):
    """Generate a random binary string detector of given length."""
    return ''.join(random.choice('01') for _ in range(length))

def match(detector, self_set, r):
    """
    Returns True if detector matches any string in self_set
    with at least r contiguous matching bits.
    """
    for self_str in self_set:
        for i in range(len(self_str) - r + 1):
            if detector[i:i+r] == self_str[i:i+r]:
                return True
    return False

def negative_selection(self_set, num_detectors, length, r):
    """
    Generate detectors that do not match any self string
    with at least r contiguous matching bits.
    """
    detectors = []
    while len(detectors) < num_detectors:
        detector = generate_random_detector(length)
        if not match(detector, self_set, r):
            detectors.append(detector)
    return detectors

# Example usage:
self_set = ['11001', '10011', '11100']
detectors = negative_selection(self_set, num_detectors=5, length=5, r=3)
print("Generated detectors:", detectors)

Styrker og begrensninger ved negativt seleksjonsalgoritme

Den negative seleksjonsalgoritmen gir en enkel metode for anomali-deteksjon, inspirert av immunsystemer. Viktige styrker:

Evne til å oppdage ukjente anomalier ved å målrette data utenfor selvmengden;
Krever ikke forhåndskunnskap om avvikende mønstre, kun en tydelig definisjon av selv.

Begrensninger inkluderer:

Detektorgenerering blir tregere etter hvert som selvmengden vokser;
Mindre effektiv for høy-dimensjonale eller kontinuerlige data på grunn av sparsom dekning av ikke-selv;
Potensial for falske positiver eller negativer hvis selvmengden ikke er fullt representativ eller detektorene er dårlig definert.

Til tross for disse utfordringene er negativt seleksjonsalgoritme en kjerneidé i kunstige immunsystemer og robust anomali-deteksjon.

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 4. Kapittel 2

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Awesome!

Completion rate improved to 6.25

Sveip for å vise menyen